**GMO AI 与宇树科技达成合作，将人形机器人引入日本市场**
日本GMO AI及机器人商事近日宣布，与全球人形机器人出货量领先的中国企业宇树科技（Unitree Robotics）签署日本国内正规代理店协议。此举标志着宇树科技正式通过官方渠道进入日本市场。
宇树科技以高性能、高性价比的双足人形机器人闻名，其产品在运动控制与稳定性上表现突出，已在全球科研、教育及商业展示领域获得广泛应用。此次合作将重点引入其最新人形机器人型号，该机器人具备先进的动态平衡与自主导航能力。
GMO AI将利用其在日本的企业客户网络，推动宇树机器人进入物流、制造巡检及商业服务等场景。这一合作不仅为日本机器人市场带来更具竞争力的选择，也加速了具身智能技术在海外的商业化落地。
**GMO AI商事签约宇树科技，拿下人形机器人日本总代理**
日本GMO AI与机器人商事宣布，正式成为全球人形机器人龙头宇树科技（Unitree Robotics）的日本官方授权代理商。这意味着宇树旗下H1、G1等双足人形机器人将全面进入日本市场。
宇树科技目前占据全球人形机器人出货量首位，其H1机器人具备每秒3.3米的运动能力与复杂地形自适应行走算法，G1则主打高动态平衡与灵巧操作。GMO AI商事将结合自身在具身智能与远程操作技术上的积累，为日本制造业、物流及服务业提供从硬件到端到端控制系统的完整方案。
此次合作标志着中国头部人形机器人企业首次通过正规代理渠道进入日本产业市场。随着日本劳动力短缺加剧，人形机器人在工厂搬运、设备巡检等场景的落地速度有望显著加快。
现代汽车集团宣布完成对波士顿动力（Boston Dynamics）剩余股份的收购，将其纳为全资子公司。这家以双足人形机器人Atlas和四足机器人Spot闻名的公司，自此正式成为现代汽车麾下的核心资产。
此次收购标志着现代汽车在具身智能（Embodied AI）领域的战略加码。波士顿动力在动态运动控制（locomotion）与灵巧操作（dexterous manipulation）上拥有深厚积累，其Atlas机器人已实现后空翻、跑酷等高难度动作，而Spot已在工业巡检、安防等场景实现商业化部署。现代汽车计划将波士顿动力的运动控制算法与自身在制造、物流领域的场景优势结合，加速人形机器人在汽车产线等复杂工业环境中的落地。
分析人士指出，全资控股波士顿动力将显著提升现代汽车在下一代机器人赛道的话语权。随着全球人形机器人市场预计在2030年突破百亿美元规模，现代汽车正试图通过整合顶尖运动控制技术，抢占从仓储物流到家庭服务的具身智能应用先机。
内窥镜手术机器人公司Channel Robotics完成460万美元新融资。这笔资金将用于加速其柔性机器人系统的临床部署，该系统结合了即时定位与地图构建(SLAM)与视觉-语言-动作模型(VLA)，能在消化道内自主导航并执行精准操作。此举标志着具身智能在微创手术领域迈出商业化关键一步。
软银(SoftBank)以3.25亿美元将波士顿动力(Boston Dynamics)出售给现代汽车(Hyundai)，结束了对其长达数年的持有。这笔交易意味着人形机器人领域的标杆企业正式易主，现代将借此加速布局机器人技术，尤其是在运动控制与操作能力上的商业化应用。
现代汽车(Hyundai)以3.25亿美元收购软银(SoftBank)持有的波士顿动力(Boston Dynamics)剩余股份，实现对这家机器人公司的完全控股。这笔交易使波士顿动力的估值达到约11亿美元，其核心产品包括双足人形机器人Atlas和四足机器人Spot。现代计划将波士顿动力的运动控制与具身智能技术整合至其制造、物流等业务中，加速工业自动化布局。
现代汽车集团(Hyundai Motor Group)收购软银(SoftBank)持有的波士顿动力(Boston Dynamics)9.6%股权，交易金额未披露。此举使现代对这家知名人形机器人公司的持股比例提升至约40%，进一步巩固其控制权。波士顿动力以双足运动控制和灵巧操作技术闻名，此次收购将加速现代在具身智能领域的布局，推动从仓储AGV到人形机器人的全场景应用落地。
人形机器人正从实验室走向日常生活。特斯拉Optimus已能完成衣物折叠等精细操作，Figure 02在宝马工厂实现端到端自主装配，而1X Technologies的NEO双足机器人通过模仿学习掌握复杂运动控制。据高盛预测，到2035年人形机器人市场规模将达1540亿美元。这些具备具身智能的机器，正通过视觉-语言-动作模型(VLA)和世界模型，在工业制造、家庭服务等领域展现替代人类重复劳动的潜力。
机器之心获悉，一项名为“Playful Agentic Robot Learning”的研究提出让机器人通过“玩耍”自主学习技能。研究团队开发了RATs（机器人智能体团队），让机器人在无明确指令时自主探索、执行并验证任务，将成功经验存入技能库。实验显示，该方法在LIBERO-PRO和MolmoSpaces基准测试中，相比基线模型分别提升20.6和17.0个百分点，且无需微调即可迁移至其他系统，为具身智能的持续学习开辟了新路径。
机器之心获悉，研究人员在开源物理引擎MuJoCo中实现了3D颗粒阻力理论(3D RFT)，用于模拟机器人在沙地中的运动。该工具预测一台12自由度六足机器人的行走距离和足部下陷量，误差控制在20%以内。这一开源方案有望加速开发适应沙地等颗粒介质的新型机器人设计。
人形机器人在移动地面（如船舶、车辆）上保持稳定是一大挑战。来自俄勒冈州立大学的研究团队提出了一种仅依赖本体感觉的实时状态估计算法，让Digit人形机器人在摇摆和俯仰的地面上实现稳定站立与蹲起。相比现有方法，该算法收敛速度提升96%，位置估计误差降低80%；在单轴旋转地面行走实验中，即使初始误差高达1米，平均估计误差仍小于9厘米。这项突破为人形机器人在非惯性环境下的自主作业奠定了基础。
机器之心报道：研究人员提出ENPIRE框架，让编码智能体在真实世界中自主改进机器人操作策略。该系统通过环境重置、策略执行、结果验证和迭代优化的闭环流程，将灵巧操作学习转化为可控优化过程。在整理针盒、紧固扎带、使用工具等挑战性任务中，ENPIRE驱动的编码智能体自主训练策略达到99%成功率，且通过机器人集群部署可进一步加速。这为具身智能研究提供了一条减少人工干预、可规模化扩展的自动化路径。
南安普顿大学团队发布ForEnt多模态数据集，专门用于研究四足机器人在森林环境中的被困问题。该数据集使用宇树Go2四足机器人在英国8个林地采集，累计遍历约1.7公里，记录了69次被困事件。数据集包含RGB-D图像、激光雷达扫描、本体感知数据及第三方视频，为开发被困检测策略提供了标准化基准，有望降低四足机器人在复杂森林环境中部署的门槛。
一项新研究通过仿真实验证实，为双足机器人增加主动脚趾能显著提升其运动效率与敏捷性。研究团队设计了一款14自由度的双足机器人，并基于强化学习在模拟环境中对比了有无主动脚趾的表现。数据显示，在1.33米/秒行走速度下，带脚趾的机器人能效成本降低17.5%，足跟冲击力减少5.0%；敏捷性测试中，平均路径偏差和最大路径偏差分别下降25.0%和34.0%。该工作为开发更高效、更类人的双足运动系统提供了量化依据。
国际标准化组织（ISO）正推动制定人形机器人数据标准（ISO/WD 26264-1），旨在解决具身智能领域数据碎片化、采集成本高和评估不一致的瓶颈。该标准要求数据集必须保留机器人本体、动作、任务、场景及执行轨迹的完整关系，并确保多模态数据在时间、坐标、标定等维度上的物理一致性。其核心价值在于让物理经验可解释、可共享、可追溯和可复用，为从屏幕走向身体的AI提供底层基础设施。
{"summary_zh":"机器人学界提出一种低成本软带驱动夹爪"Belt-Finger"，为传统平行夹爪增加三个自由度（平移、俯仰、滚动），使其能像人手一样在掌心内灵巧操作物体。该设计仅需简单改装即可集成，在远程操作、模型预测控制等任务中显著提升灵巧度，为工业及服务机器人提供了一种兼顾成本与性能的抓取新方案。"}
连续体机器人因自由度多、结构柔顺且安全，在操作任务中潜力巨大，但制造复杂、建模困难、控制不直观，长期阻碍其落地。CoLI平台通过多材料3D打印实现一体成型，大幅简化装配流程；其同构远程操作接口建立直接映射，无需显式运动学建模，避免了奇异点问题。实验表明，该平台支持模仿学习自主控制，为连续体机器人社区提供了可复现、即学即用的系统，加速算法开发与标准化基准测试。
人形机器人研究迎来大规模数据集——Humanoid Everyday。该数据集通过高效远程操作管道，收集了涵盖260项任务的10.3万条轨迹和超300万帧多模态数据，包括RGB、深度、LiDAR和触觉输入。相比现有数据集局限于固定环境或任务单一，Humanoid Everyday首次整合了灵巧操作、人机交互和运动控制等七大类别，并配套云端评估平台。这为通用人形机器人操作研究提供了标准化基准，加速具身智能从实验室走向真实世界。
机器之心获悉，一项新研究提出跨本体力位接口，让不同结构的灵巧手实现可迁移的柔顺抓取。该接口将运动意图统一为共享手部姿态潜变量，并通过系统辨识将各手的力矩信号校准为物理关节扭矩（单位N·m），再映射为指尖力与负载描述符。基于此，研究团队训练了流匹配视觉运动策略，在视觉遮挡下强制依赖力反馈。实验表明，校准后的接触反馈使抓取策略能在异构机械手间迁移，且学习到的基元可复用于长时操作任务。这为具身智能摆脱硬件束缚提供了新路径。
机器之心获悉，一项名为CoMo的新研究提出从互联网视频中学习连续潜在运动，以解决机器人学习的可扩展性问题。该方法通过早期时序差分（Td）机制和时序对比学习（Tcl）方案，有效增强运动线索并聚焦前景，避免了传统离散方法的信息损失。CoMo展现出强大的零样本泛化能力，能为未见视频生成伪动作标签。实验表明，基于CoMo伪标签联合训练的策略，在扩散和自回归架构上均取得更优性能，为机器人从海量视频中自主学习提供了新路径。